Rivoluzione nella Scoperta dei Materiali: GNoME Rivela 2.2 Milioni di Nuovi Cristalli

Questo strumento, basato sul deep learning, ha rivoluzionato il modo in cui vengono scoperti e valutati i nuovi materiali. Tra le sue proiezioni, ben 380.000 materiali sono considerati i più stabili, presentando un'opportunità promettente per la loro sintesi sperimentale. Questi materiali potrebbero rappresentare l'elemento chiave nello sviluppo di tecnologie rivoluzionarie, come superconduttori, batterie di prossima generazione per veicoli elettrici e altro ancora.

GNoME ha ampliato considerevolmente il numero di materiali tecnologicamente validi conosciuti. Tra le sue predizioni, il tool ha identificato 380.000 materiali con elevate probabilità di successo nella sintesi sperimentale. Questi materiali sono stati messi a disposizione del progetto Materials Project, che sta lavorando per analizzarli e incorporarli nel suo database online. Ciò potrebbe portare a un notevole impulso nella ricerca dei cristalli inorganici e sfruttare al massimo il potenziale degli strumenti di apprendimento automatico come guida per l'esperimento.

In passato, la scoperta di nuove strutture cristalline avveniva attraverso lunghi e costosi processi sperimentali. Tuttavia, l'avvento degli approcci computazionali come il Materials Project ha notevolmente accelerato questo processo, portando alla scoperta di circa 28.000 nuovi materiali nell'ultimo decennio. GNoME ha ora superato i limiti precedenti, identificando 2.2 milioni di nuovi materiali, equivalente a circa 800 anni di conoscenza accumulata.

Ad esempio, GNoME ha individuato oltre 52.000 nuovi composti stratificati simili al grafene, con potenziali impatti rivoluzionari sull'elettronica attraverso lo sviluppo di superconduttori. Questo strumento ha anche individuato 528 potenziali conduttori di ioni di litio, 25 volte più di uno studio precedente, che potrebbero migliorare significativamente le prestazioni delle batterie ricaricabili.

GNoME utilizza due pipeline per scoprire materiali a bassa energia (stabili). Una pipeline strutturale crea candidati con strutture simili a cristalli conosciuti, mentre la pipeline compositiva segue un approccio più casuale basato sulle formule chimiche. I risultati di entrambe le pipeline vengono valutati utilizzando le consolidate tecniche di Density Functional Theory (DFT), contribuendo al database di GNoME per il successivo ciclo di apprendimento attivo.

Inoltre, GNoME ha dimostrato di avere un elevato tasso di successo nel predire la stabilità dei materiali, passando dal 50% al 80% rispetto ai modelli precedenti. Il progetto mira a ridurre i costi della scoperta dei materiali, offrendo agli scienziati la possibilità di sperimentare e realizzare i materiali più promettenti.

Per ulteriori approfondimenti sulle nuove tecnologie e sull'evoluzione nel campo dell'ingegneria meccanica e dell'intelligenza artificiale, ti invitiamo a esplorare il sito Libri del Futuro: Tecnologie Avanzate e Intelligenza Artificiale. Qui potrai trovare interessanti articoli e aggiornamenti sulle ultime tendenze, analisi e riflessioni riguardanti le sfide e le opportunità nelle tecnologie emergenti.

Fonte della notizia

Questo articolo è stato pubblicato qui